Classificação de áreas infestadas com nematoides baseada em algoritmos de aprendizado de máquina utilizando imagens hiperespectrais de alta resolução espacial

• Ano de defesa: 2023
• Autor(a) principal: Ederli, Glória Maria Padovani
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Agricultura de precisão; Nematoides; Aprendizado de máquina; Imagens hiperespectrias; Precision agriculture; Nematodes; Machine learning; Hyperspectral images
• Link de acesso: https://hdl.handle.net/11449/253187; http://lattes.cnpq.br/5389387533355579; http://lattes.cnpq.br/4791496159878691

A detecção de nematoides em plantações é fundamental para evitar prejuízos na produtividade, entretanto, o diagnóstico preciso da distribuição populacional requer uma grande quantidade de amostras de solo e de raiz em todo o campo, o que implica em um custo elevado. Nesse contexto, as técnicas de sensoriamento remoto podem auxiliar no manejo e controle dos nematoides, especialmente as que envolvem Veículos Aéreos Não Tripulados (VANTs). Este estudo propõe o uso de imagens hiperespectrais obtidas por câmera embarcada em VANT e técnicas de fotogrametria e sensoriamento remoto, para detectar e classificar as áreas parasitadas por nematoides na cultura de soja, de acordo com a intensidade de infestação a partir de algoritmos de aprendizado de máquina juntamente com amostras de solo coletadas em campo para validação. Foram testados os algoritmos de aprendizado de máquina Random Forest, Support Vector Machine e K-Nearest Neighbors, além do índice desenvolvido que relaciona os fitonematoides de uma região com os nematoides de vida livre (IFVL). Foram calculadas as matrizes de confusão e as métricas estatísticas sensibilidade, precisão, F1-score, RMSE e acurácia balanceada para avaliar os modelos gerados. Os resultados indicam que o melhor modelo foi obtido com o algoritmo Random Forest, e que a melhor divisão da intensidade de infestação de nematoides foi representada por cinco classes calculadas a partir do IFVL que alcançou uma acurácia balanceada de 96,5%. Também foi avaliado o melhor período fenológico para a coleta dos dados, que apresentou ser no fim do período reprodutivo, quando a diferença espectral entre as plantas saudáveis e parasitadas com fitonematoides aumenta, em que a região entre 771 nm e 790 nm demonstrou grande importância para detectar as áreas parasitadas. Portanto, este estudo conclui que as imagens hiperespectrais podem ser uma alternativa para o manejo e controle de fitonematoides em culturas de soja, reduzindo custos e aumentando a eficiência na detecção de áreas infectadas.